I. Hratky s Elasticem – Hromadny import JSON

27 Bře, 2021 Elastic 0 Comments 0

Posledni dobou jsem opet narazil na sve hranice schopnosti a znalosti v Elasticu … neskutecny jak se clovek musi porad ucit. Rozhodl jsem se tedy, ze ty ruzny problemy a jejich reseni budu prezentovat zde. Nejsem zadny datovy expert, ale samouk, a proto muzu obcas psat i blbosti 🙂

Dlouhe roky vyuzivam pro hromadny import JSON dokumentu uzasny nastroj esbulk napsany v Go jazyce: https://github.com/miku/esbulk

Nastroj vyuziva Bulk API Elastiku pro hromadny vkladani JSON dokumentu a za me funguje vytecne. Hromadne takto importuju miliardy radku denne ( z logu Anycastu, proxy, NXD, atd – proste vse co nelze importovat v realnem case).

Obcas ale narazim na use-case kde nepotrebuju vlozit/prepsat nove radky, ale vlozit pouze neexistujici radky, nebo doplnit pouze chybejici polozky, ci updatnout jen nekterou cast dokumentu. Elastic na toto mysli a proto pri Bulk API lze vyuzit, tkzv OpType (operation type) a to: create , index, update a delete. Esbulk vyuzival natvrdo typ „index“

Mam k dispozici dokument domain_1 o obsahu:

"_source" : {
  "avail" : 0
}

create

Pokud vkladam dokument s neexistujicim ID, je takovy dokument nove zalozen. Pokud vkladam ale dokument s jiz existujicim ID, dostanu chybu ze dokument jiz existuje.

POST /_bulk
{ "create" : { "_index" : "test_bulk", "_id" : "domain_1"}}
{ "ip": "10.0.0.1" }

"error" : {
  "type" : "version_conflict_engine_exception",
  "reason" : "[domain_1]: version conflict, document already exists (current version [2])",
  "index_uuid" : "d_-lPsDeQByGOQ35PtZO5g",
  "shard" : "0",
  "index" : "test_bulk"
}

index

Pokud vkladam dokument s neexistujicim ID, je takovy dokument nove zalozen. Pokud vkladam ale dokument s jiz existujicim ID, tak pri typu index dochazi k prepsani dokumentu kompletne novym obsahem:

POST /_bulk
{ "index" : { "_index" : "test_bulk", "_id" : "domain_1"}}
{ "ip": "10.0.0.1" }

Nove me tedy vznikne:

"_source" : {
  "ip" : "10.0.0.1"
}

update

Pokud vkladam dokument s neexistujicim ID, dostanu chybu, ze dokument neexistuje. Pokud ale pridam parametr doc_as_upsert, chova se funkce jako pri create/index a dokument me nove zalozi. Pokud vsak ale vkladam dokument s jiz existujicim ID, nedojde k jeho prepsani jako v pripade index, ale k aktualizaci polozek. Pokud polozka existuje, je zmenena, pokud neexistuje, je vlozena.

POST /_bulk
{ "update" : { "_index" : "test_bulk", "_id" : "domain_1"}}
{ "doc" : {"avail": 1, "ip": "10.0.0.1"  }, "doc_as_upsert" : true}

dokument je pak nove radne aktualizovany:

"_source" : {
  "ip" : "10.0.0.1",
  "avail" : 1
}

A proc ?

A proc to vubec resim ? Muj use-case je totiz takovy slozitejsi. Resim obrovskou databazi domen do ktery chci ukladat data z ruznych zdroju, jejich jedinym spolecnym identifikatorem je domena. Tzn, napriklad mam seznam CZ domen z cctld.cz a ten si nahraju do ES s tim ze id dokumentu bude domena. V takovem pripade pak dostanu do DB informace o registraci, expiraci, registratorovi a DNS. Pak mam nastroj na hromadne overeni domen ktery mi vygeneruje A zaznamy pro existujici a funkcni domeny a cilovy JSON: {„domain“: „domena.cz“,“ip“:“1.2.3.4″}. V pripade ze bych takovy dokument nacetl hromadne metodou index, prepise mi veskere data v DB co mam z puvodniho seznamu, ja ale potrebuju pouze pridat parametr „ip“ ke stavajicim datum. Podobnym zpusobem mam pak dalsi zdroje dat, ktere chci k domenam naimportovat a ziskat tak kompletni prehled. Melo by se s tim dat lepe pracovat hlavne pri hromadnem nahledu, nez pri spojovani ruznorodych zdroju v realnym case a agregacema nad nimi.

Jak na to ?

Bohuzel jsem na to nikdy nemel rozumne reseni a moje bulk operace nebyly moc vykonove efektivni. Jiz v roce 2018 jsem navrhl tuto moznost vyvojari esbulk, ktery si ji dal do ToDo. Tehdy jsem nemel jeste dostatecny koule na to abych pridaval neco do cizich kodu a jeste to nechal zverejnit 😀 Uteklo 2,5 roku a pro moji praci se tato funkce stala nyni naprosto nezbytna. Tak jsem nelenil a tech par radku do toho dopsal 🙂 Poprve v zivote jsem tak zverejnil kus nejaky upravy/opravy kodu a zazadal o pull request (tj o prijmuti mych zmen do jeho kodu) a s naprostou hrdosti musim rict, ze behem par hodin tyto zmeny prijal 🙂

Ve verzi 0.7.2 jiz tedy je nove parametr -optype ktery umoznuje definovat co s dokumentama se bude provadet – index (default), create, update a delete 🙂

Franta – Občasník malého ajťáka